고도의 책임이 요구되는 분야에서는 이미지 분류의 원인을 분석할 때 딥러닝 모델이 어떻게 결정을 내리는지를 이해하는 것이 필수적이다. 최근에는 고수준 개념을 활용하여 딥러닝 모델의 내부 메커니즘을 밝혀내는 개념 기반 해석 방법이 도입되었다. 그러나 이러한 방법들은 정확성과 해석 가능성 사이에 존재하는 트레이드오프에 제약을 받는다. 예를 들어, 보다 잘 정제된 훈련 데이터와는 달리 현실 세계 환경에서는 다양한 물체에 의해 유발되는 왜곡과 복잡성으로 인해 예상 개념의 정확한 예측이 어려워진다. 이러한 트레이드오프를 극복하기 위해, 우리는 상호 방향성의 학습을 통해 개념들 간의 복잡한 종속성과 구조를 반영하는 개념 그래프 임베딩 모델(CGEM)을 제안한다. CGEM의 후속 작업으로 설계된 개념 그래프 컨볼루션 신경망(Concept GCN)은 이전 방법들이 개념의 존재 여부만 결정하는 것과 달리, 그래프 임베딩을 통해 학습된 개념 간의 관계를 기반으로 최종 분류를 수행한다. 이 과정은 잘못된 개념이 존재하더라도 모델이 높은 내성적 저항성을 갖도록 한다. 또한, 초기 단계에서 객체 중심의 개념 인코딩을 위해 변형 가능한 이분 그래프 GCN을 활용하여 개념의 균일성을 강화한다. 실험 결과에 따르면, 변형 가능한 개념 인코딩을 기반으로 한 CGEM은 작업 정확성과 해석 가능성 사이의 트레이드오프를 완화함을 확인할 수 있었다. 더불어, 본 방법이 다양한 현실 세계의 개념 왜곡 및 잘못된 개념의 개입에 대해 강건성을 유지하면서 모델의 내성적 해석 가능성과 저항력을 동시에 향상시킬 수 있음이 검증되었다. 본 연구의 코드는 https://github.com/jumpsnack/cgem 에 공개되어 있다.